Hermit é um framework open source da Infini-AI-Lab para treinar uma camada externa — chamada de harness adapter — que adapta um agente já existente a novos cenários sem alterar o modelo de linguagem nem o orquestrador principal. O projeto foi apresentado em 29 de outubro de 2026 e mira uma dificuldade concreta de equipes que operam agentes: melhorar desempenho em tarefas específicas sem recomeçar a integração de ferramentas, prompts e políticas de execução.
O que a Infini-AI-Lab está propondo
Um agente de IA não é apenas o modelo que gera texto. Na prática, ele também depende de um harness: a camada que decide quando chamar ferramentas, conserva estado, monta o contexto, aplica regras e interpreta resultados. Essa camada costuma misturar decisões técnicas e regras específicas do produto. Quando um time quer levar o mesmo agente de uma tarefa para outra — por exemplo, de atendimento a análise de documentos ou automação de planilhas — mexer diretamente no harness pode introduzir regressões difíceis de rastrear.
A proposta do Hermit é separar essa adaptação. Em vez de retreinar o LLM ou reescrever o agente inteiro, a equipe treina um adaptador externo para observar o cenário, escolher ajustes e intervir na execução. A documentação do projeto descreve o fluxo como treinamento, avaliação e implantação de adaptadores que funcionam sobre agentes existentes. O ponto importante é a promessa arquitetural: o núcleo do agente pode continuar intacto, enquanto o comportamento para uma tarefa nova passa a ser aprendido e versionado em uma camada menor.
Como funcionam os harness adapters
Segundo a documentação oficial, o Hermit trabalha com adaptadores treináveis que podem atuar sobre um agente sem modificar o modelo ou o harness original. Isso não significa que qualquer agente ficará melhor automaticamente. O adaptador precisa ser treinado e avaliado em um ambiente que represente a tarefa real; qualidade de dados, definição de recompensa e cobertura dos casos de erro continuam sendo determinantes.
O repositório traz exemplos para cenários como OfficeQA, bancos de dados, poker, aprendizado por serviço e um enxame de agentes para Lean. Esses exemplos sugerem que o framework foi pensado para tarefas com ciclos de tentativa, observação e correção, e não apenas para chatbots lineares. Também há integração documentada para experimentos de avaliação e implantação, o que pode reduzir a distância entre uma prova de conceito e uma rotina repetível de engenharia.
Na prática, a ideia se aproxima de tratar o “como o agente trabalha” como um componente treinável. Um adaptador pode, por exemplo, aprender a preferir uma sequência de ferramentas, reformular uma instrução intermediária, orientar a busca por informação ou escolher uma estratégia após uma falha. A fronteira exata entre o que fica no harness e o que fica no adaptador precisa ser definida pelo time; ela será diferente para um agente de código, um assistente de suporte ou um sistema que consulta bases internas.
Por que isso importa para quem constrói agentes
O mercado de agentes de IA vem migrando de demonstrações de “tool calling” para sistemas que precisam ser confiáveis em fluxos repetitivos. Nessa etapa, um problema recorrente é a manutenção: uma mudança pequena para melhorar uma classe de tarefas pode afetar outra, porque prompts, memória, ferramentas e políticas vivem no mesmo código. Uma camada adaptadora pode criar um ponto de controle mais explícito, com experimentos comparáveis e possibilidade de reversão.
Para empresas brasileiras, o interesse não está em substituir a validação humana por uma camada de treinamento. Está em reduzir o custo de especializar um agente para processos locais: classificação de documentos, atendimento com regras próprias, análise de contratos, operações de e-commerce ou apoio interno a equipes. Caso o framework seja adotado, a recomendação é começar por um fluxo fechado, com métrica verificável — taxa de resolução, acerto de extração, tempo de execução ou número de intervenções humanas — antes de aplicá-lo a processos sensíveis.
O que ainda não está comprovado
O lançamento não elimina as limitações básicas de agentes. Um adaptador não corrige uma base de conhecimento desatualizada, não garante que uma ferramenta externa estará disponível e não transforma uma avaliação fraca em evidência de confiabilidade. O desempenho apresentado em exemplos e benchmarks também não deve ser transferido diretamente para um ambiente corporativo com dados, integrações e regras diferentes.
Há ainda uma questão operacional: quanto mais uma empresa delega decisões a uma camada aprendida, maior é a necessidade de observabilidade. É preciso registrar entradas, escolhas do adaptador, chamadas de ferramenta, resultados e critérios de aprovação. Sem isso, a separação arquitetural pode trocar um problema de manutenção visível por uma política difícil de auditar.
Análise do NoticIA
Na análise do NoticIA, o valor do Hermit está menos em uma promessa de “agentes autônomos melhores” e mais em formalizar uma peça que muitos times já improvisam: a adaptação entre um agente genérico e uma tarefa específica. Se a abordagem permitir que as equipes comparem adaptadores, mantenham versões e revertam decisões sem tocar no núcleo do agente, ela pode tornar projetos agentivos mais disciplinados.
O teste relevante não é instalar o framework e medir uma conversa isolada. É comparar, em um conjunto de casos mantido fora do treinamento, um agente-base contra o mesmo agente com adaptador; medir custo, latência, taxa de falha e impacto de regressões; e manter revisão humana nas ações irreversíveis. Esse é o tipo de evidência que separa uma ferramenta de pesquisa promissora de um componente de produção.
Fontes consultadas
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
